机械设计与研究 ›› 2014, Vol. 30 ›› Issue (05): 96-98+105.doi: 10.13952/j.cnki.jofmdr.a3458
张龙;张磊;熊国良;黄文艺;周继惠;
发布日期:
2020-07-26
Published:
2020-07-26
摘要: 滚动轴承是机械设备中最常用的零部件之一,其运行状态直接影响整机性能。文章针对滚动轴承故障振动信号具有跨尺度复杂性的特点,提出了一种新的基于多尺度熵(Multiscale entropy,简称MSE)和BP神经网络的滚动轴承故障智能诊断模型。该模型首先利用MSE方法对滚动轴承不同健康状态下的振动信号进行特征提取,再将其作为BP神经网络的输入,实现网络训练,最后利用神经网络自动识别故障类型及故障程度。实验结果表明,该方法能有效地实现滚动轴承故障类型及程度的智能诊断,并具有对网络初始值不敏感及较低的误报率和漏报率等优点。
张龙;张磊;熊国良;黄文艺;周继惠;. 基于多尺度熵和神经网络的滚动轴承故障诊断[J]. 机械设计与研究, 2014, 30(05): 96-98+105.
[1] | 许勇, 蔡云泽, 宋林. 基于数据驱动的核电设备状态评估研究综述[J]. 上海交通大学学报, 2022, 56(3): 267-278. |
[2] | 刘秀丽, 徐小力. 基于特征金字塔卷积循环神经网络的故障诊断方法[J]. 上海交通大学学报, 2022, 56(2): 182-190. |
[3] | 马航宇, 周笛, 卫宇杰, 吴伟, 潘尔顺. 变工况下基于自适应深度置信网络的轴承智能故障诊断[J]. 上海交通大学学报, 2022, 56(10): 1368-1377. |
[4] | 卓鹏程, 严瑾, 郑美妹, 夏唐斌, 奚立峰. 面向滚动轴承全生命周期故障诊断的GA-OIHF Elman神经网络算法[J]. 上海交通大学学报, 2021, 55(10): 1255-1262. |
[5] | 胡晓强,仲训昱,张霄力,彭侠夫,何荧. 基于支持向量机辅助的四轴陀螺两级故障诊断方法[J]. 上海交通大学学报, 2020, 54(11): 1151-1156. |
[6] | 赵京鹤;刘宏岩;胡晶;. 基于BP神经网络的超声振动钻削钻头磨损状态监测试验研究[J]. 机械设计与研究, 2020, 36(02): 83-86. |
[7] | 高家宝;许昕;潘宏侠;付志敏;. 基于信息熵与神经网络的供输弹系统早期故障诊断[J]. 机械设计与研究, 2020, 36(02): 181-184+188. |
[8] | 周建民;游涛;尹文豪;张龙;张臣臣;. 基于融合FCM-SVDD模型的滚动轴承退化状态识别[J]. 机械设计与研究, 2020, 36(01): 124-129. |
[9] | 赵璐;许昕;潘宏侠;付志敏;高家宝;. 基于信息熵与信息融合的供输弹系统故障诊断研究[J]. 机械设计与研究, 2020, 36(01): 169-172. |
[10] | 颜波,褚学宁,张磊. 结构方程模型与人工神经网络结合的用户感知建模方法[J]. 上海交通大学学报, 2019, 53(7): 830-837. |
[11] | 叶仙,胡洁,田畔,戚进,车大钿,丁颖. 基于精细复合多尺度熵与支持向量机的睡眠分期[J]. 上海交通大学学报(自然版), 2019, 53(3): 321-326. |
[12] | 张龙;宋成洋;邹友军;崔路瑶;雷兵;. 基于VMD多特征融合与PSO-SVM的滚动轴承故障诊断[J]. 机械设计与研究, 2019, 35(06): 96-104. |
[13] | 张龙;吴佳敏;吴荣真;宋成洋;易剑昱;. 基于多尺度熵与SOM神经网络的滚动轴承故障识别[J]. 机械设计与研究, 2019, 35(06): 105-110. |
[14] | 周建民;王发令;张龙;李鹏;张臣臣;. 基于RBF神经网络与模糊评价的滚动轴承退化状态定量评估[J]. 机械设计与研究, 2019, 35(06): 116-122+127. |
[15] | 李东;刘广璞;黄晋英;张安安;. 基于EEMD-SVD与SVM的轴承故障诊断[J]. 机械设计与研究, 2019, 35(06): 123-127. |
阅读次数 | ||||||
全文 |
|
|||||
摘要 |
|
|||||